聚类分析是一种无监督的机器学习方法，能有效地组织文本信息，应用非常广泛，而大部分文本聚类算法都采用向量空间模型表示文本对象。因此，向量空间模型的问题也就成为文本聚类存在的问题之一。　　本文主要研究的文本聚类的对象是中文文本信息，而中文文本信息存在着同义词或近义词等特定的自然语言现象，导致文本特征向量空间维度过高，严重影响了文本聚类。本文针对特征空间维度过高这个问题做了深入的研究，主要工作有：　　(1)针对文本向量空间模型中存在的语义关联问题，提出将特征词归并为概念特征或语义特征的方法来减少文本特征向量空间中各维度的关联度和文本数据的语义损失。　　(2)提出了语义特征的两个属性--概念频率和概念文档频率，同时给出了一个语义特征加权的方法即概念权重的计算方法，更好地描述了语义特征对各个文本的影响程度。　　本文通过研究《知网》知识系统中词条之间的概念属性距离及其相似度计算方法，构建出基于语义的词条-文本矩阵，采用基于语义特征的文本表示方法，给出了基于语义特征的文本向量空间模型的设计方法，最后提出了基于语义的文本聚类算法。通过采用快速简单的K-means聚类算法实现自适应基于语义的文本聚类算法的对比实验，证明了基于语义特征的文本表示方法得到的文本模型中文本特征词之间的语义损失减少了，文本特征向量的维度也降低了36.90％～38.95％，同时文本聚类综合评定值达到了76.59％，相对于不基于语义的文本聚类综合评定值提高了0.79％，达到中文文本聚类算法改进的目的。